import pandas as pd

df = pd.read_excel('Тестовое задание Аналитик Данных.xlsx')
df = df[['Идентификатор','Группа','Подавал заявку на кредит','Получил одобрение на кредит','Оформил Кредит','Сумма кредита']]
df = df.fillna(0)
df

	Идентификатор	Группа	Подавал заявку на кредит	Получил одобрение на кредит	Оформил Кредит	Сумма кредита
0	18602163.0	Сегмент A	1.0	1.0	1.0	100000.0
1	18615389.0	Сегмент A	1.0	1.0	1.0	100000.0
2	18628615.0	Сегмент A	1.0	1.0	1.0	100000.0
3	18641841.0	Сегмент A	1.0	1.0	1.0	100000.0
4	18655067.0	Сегмент A	1.0	1.0	1.0	100000.0
...	...	...	...	...	...	...
14995	89295133.0	Сегмент C	0.0	0.0	0.0	0.0
14996	89308359.0	Сегмент C	0.0	0.0	0.0	0.0
14997	89321585.0	Сегмент C	0.0	0.0	0.0	0.0
14998	89334811.0	Сегмент C	0.0	0.0	0.0	0.0
14999	89348037.0	Сегмент C	0.0	0.0	0.0	0.0

15000 rows × 6 columns

Показатели

group_by = df.groupby('Группа')[['Подавал заявку на кредит','Получил одобрение на кредит','Оформил Кредит','Сумма кредита']].sum()
group_by

	Подавал заявку на кредит	Получил одобрение на кредит	Оформил Кредит	Сумма кредита
Группа
Сегмент A	750.0	450.0	240.0	24000000.0
Сегмент B	500.0	410.0	230.0	34500000.0
Сегмент C	900.0	300.0	230.0	23000000.0

I - Интерес к получению кредита

   Подача заявки на кредит: Этот этап позволяет оценить интерес клиентов к кредиту. Вы можете проанализировать, сколько клиентов из каждой группы подали заявку на кредит. Если одна из групп существенно чаще подаёт заявки, это может указывать на больший интерес к кредиту в этой группе.

import pandas as pd
import matplotlib.pyplot as plt

group_counts = df['Группа'].value_counts()

# Построение столбчатой диаграммы
plt.figure(figsize=(15, 8))  # Размер графика
plt.bar(group_counts.index, group_counts.values, color='skyblue')

# Добавление процентных значений над столбцами
total_records = len(df)
for i, count in enumerate(group_counts):
    percentage = (count / total_records) * 100
    plt.text(i, count + 5, f'{percentage:.2f}%', ha='center')

# Настройки графика
plt.xlabel('Группа')
plt.ylabel('Количество')
plt.title('Количество записей в каждой группе с процентным отношением')
plt.xticks(rotation=45)  # Поворот меток по оси x для лучшей читаемости

# Отображение графика
plt.show()

Группа С проявляет повышенный интерес к получению кредита.

--------------------------------------------------------

II - Одобрения кредита

Получение одобрения на кредит: Здесь важно оценить, какая доля клиентов из каждой группы получила одобрение на кредит. Если одна из групп имеет более высокий процент одобрений, это может указывать на более высокую кредитоспособность этой группы.

group_by['Процент одобрения'] = (group_by['Получил одобрение на кредит'] / group_by['Подавал заявку на кредит']) * 100
group_by = group_by.reset_index(False)
group_by

	index	Группа	Подавал заявку на кредит	Получил одобрение на кредит	Оформил Кредит	Сумма кредита	Процент одобрения
0	0	Сегмент A	750.0	450.0	240.0	24000000.0	60.000000
1	1	Сегмент B	500.0	410.0	230.0	34500000.0	82.000000
2	2	Сегмент C	900.0	300.0	230.0	23000000.0	33.333333

import plotly.express as px
fig = px.pie(group_by, names='Группа', values='Процент одобрения', title='Процент одобрения по категориям')
fig.show()

Отсюда можно узнать что группа B кредитоспособные

III Финансовая устойчивость

Большие суммы могут быть индикатором лучшей финансовой устойчивости, но также могут повышать риски для кредитора.

df_filtered = df[(df['Получил одобрение на кредит'] == 1) & (df['Сумма кредита'] != 0 )][['Группа','Сумма кредита']]
mean = df_filtered.groupby('Группа')['Сумма кредита'].mean().reset_index()
mean

	Группа	Сумма кредита
0	Сегмент A	100000.0
1	Сегмент B	150000.0
2	Сегмент C	100000.0

fig = px.bar(mean, x='Группа', y='Сумма кредита', title='Средняя сумма кредита')
fig.show()